urlretrieve获取图片的同时获取cookie值

原文地址：http://blog.kantli.com/article/45

python爬虫获取图片比较方便的是用urllib库中的urlretrieve函数，语法简单：

import urllib

urllib.urlretrieve(link, 'img_name')

但许多时候，获取图片之前先要登录网页，因此往往避不开验证码处理的问题。简单的验证码，一般通过pillow库、pytesseract库之类的处理，语法也很干脆：

from PIL import Image
from pytesseract import image_to_string

img = Image.open('img_name')
text = image_to_string(img)

不过，如果想用urlretrieve方法获取验证码图片，就可能会遇到一些困惑。主要的问题在于，这个方法发出图片请求之后，服务器除了发回图片，还会发回一个响应，这个响应包含新的cookie值。因为这个响应的存在，我们之前用opener.open()获取的cookie值就失效了，必须要获取这个新的值。

其实获取的办法也很简单，urlretrieve返回的是一个元组，这个元组的第二个值就是响应header，那么，新的cookie值就得到了：

res = urllib.urlretrieve(link, 'img_name')[1]
new_cookie_value = res['Set-Cookie']

当然，Set-Cookie值一般还有‘JSESSIONID=’的存在，当然不是问题，简单处理如下：

new_cookie_value = res['Set-Cookie'][11:]

剩下的问题就是，怎么把新的cookie值写入cookie中，常用的cookielib库中没有直接从字符串中读取cookie值的方法，因为用不着，比较方便的方法示例如下：

cj = cookielib.LWPCookieJar('file_name')

for item in cj:
    item.name = 'JSESSIONID'
    item.value = res\[‘Set-Cookie’]\[11:]
    cj.save(ignore_discard=True, ignore_expires=True)

这个示例是从其它地方直接搬过来的，这个写法还有问题，不过大意应该清楚了。

这么写下来，感觉很顺畅，其实可能的困惑点有两个：

第一个是在获取验证码图片的时候，以为不能使用urlretrieve这个简便的方法，而想方设法等待网页加载完成，或者使用文件流之类的方式，太麻烦了。事实上，如果使用这个方法，一般只需要访问图片网址一次就可以了。

第二个是从字符串读取cookie值的方法，也有不少复杂的写法，容易让人望而却步。如果只是为了解决爬虫的问题，可能大多数情况下没有必要。